知识卡片

普通读书笔记卡 · 2700.e.1.a.1.b.3 · 生成模型:未记录

价值迭代直接做最优回推

理解等级:中级

每轮由当前 V 计算所有可行动作的奖励加折扣后继期望,并取最大的写回。反复更新后可从最优价值贪婪地读出策略。理论式仍需要模型,源文所谓“不知道”在给出的演算中体现为不知道终点位置或最优更新顺序。

关联:[[策略迭代交替评估改进]]。两种规划方式以不同频率交替估值和改进。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《强化学习入门:从原理到实践》第3章《3.3 价值迭代》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter19.xhtml`,body 子元素 15 - 结论依据:原文区分迭代的中间估值与具体策略的精确价值。 - 原始内容:迭代过程中产生的状态价值函数不一定对应一个策略